Spark sql查询与数据框函数答案

【问题标题】：Spark sql queries vs dataframe functionsSpark sql查询与数据框函数
【发布时间】：2016-05-15 08:02:37
【问题描述】：

使用 Spark 实现良好的性能。我想知道通过SQLContext 使用sql 查询是否更好，或者通过df.select() 等DataFrame 函数进行查询是否更好。

有什么想法吗？ :)

【问题讨论】：

标签： sql performance apache-spark dataframe apache-spark-sql

【解决方案1】：

没有任何性能差异。两种方法都使用完全相同的执行引擎和内部数据结构。归根结底，一切都归结为个人喜好。

可以说DataFrame 查询更容易以编程方式构造并提供最小的类型安全性。
简单的 SQL 查询可以更加简洁和易于理解。它们也是可移植的，无需对每种支持的语言进行任何修改即可使用。使用HiveContext，这些也可用于公开一些其他方式无法访问的功能（例如没有 Spark 包装器的 UDF）。

【讨论】：

如果问题是关于 SQL order by 与 Spark orderBy 方法的问题，你的回答是否相同？谢谢。

【解决方案2】：

理想情况下，Spark 的催化剂应该优化对同一执行计划的两次调用，并且性能应该相同。如何打电话只是你的风格问题。实际上，Hortonworks (https://community.hortonworks.com/articles/42027/rdd-vs-dataframe-vs-sparksql.html) 的报告有所不同，在这种情况下，当您需要 GROUPed 记录且其总 COUNTS 按记录名称排序时，SQL 优于 Dataframes。

【讨论】：

【解决方案3】：

通过使用 DataFrame，可以将 SQL 分解为多个语句/查询，这有助于调试、轻松增强和代码维护。

将复杂的 SQL 查询分解为更简单的查询并将结果分配给 DF 可以更好地理解。

通过将查询拆分为多个 DF，开发人员获得了使用缓存、修复（使用唯一/接近唯一键在分区之间均匀分布数据）的优势。

【讨论】：

当我们有 spark sql 查询时，我们可以在中间级别缓存数据吗？因为在使用数据框 API 时，我们可以通过将查询拆分为多个部分来轻松实现。

【解决方案4】：

唯一重要的是使用什么样的底层算法进行分组。 HashAggregation 会比 SortAggregation 更有效。 SortAggregation - 将对行进行排序，然后将匹配的行聚集在一起。 O(n*log n) HashAggregation 使用键作为分组列创建 HashMap，其余列作为 Map 中的值。 Spark SQL 尽可能使用 HashAggregation（如果值的数据是可变的）。 O(n)

【讨论】：

当我们有 spark sql 查询时，我们可以在中间级别缓存数据吗？因为在使用数据框 API 时，我们可以通过将查询拆分为多个部分来轻松实现。